Banyak inisiatif AI perusahaan gagal bukan karena teknologinya cacat, namun karena mereka jatuh ke dalam “perangkap percontohan”. Perusahaan sering kali meluncurkan lusinan eksperimen yang tidak berhubungan—sebuah fenomena yang dikenal sebagai “pilot sprawl”—yang tidak pernah bertransisi ke dalam nilai bisnis sebenarnya.
Wawasan terbaru dari para pemimpin teknologi di MassMutual dan Mass General Brigham (MGB) mengungkapkan bagaimana organisasi mengatasi rintangan ini. Dengan mengganti eksperimen yang tidak terkoordinasi dengan tata kelola yang ketat, metrik yang jelas, dan integrasi strategis, perusahaan-perusahaan ini mengubah potensi AI menjadi produktivitas yang terukur.
MassMutual: Pendekatan Ilmiah terhadap Nilai
Bagi MassMutual, lembaga jasa keuangan berusia 175 tahun, AI bukan lagi sebuah eksperimen; ini adalah realitas produksi. Perusahaan telah berhasil mengintegrasikan AI ke dalam penjaminan, klaim, layanan pelanggan, dan TI. Hasilnya sangat mengejutkan:
– Produktivitas pengembang meningkat 30%.
– Waktu penyelesaian meja bantuan TI turun dari 11 menit menjadi hanya satu.
– Durasi panggilan layanan pelanggan dipangkas dari 15 menit menjadi sekitar dua menit.
Mendefinisikan Kesuksesan Melalui Metrik
Sears Merritt, kepala teknologi dan pengalaman perusahaan MassMutual, menekankan bahwa setiap proyek AI harus dimulai dengan hipotesis. Daripada mengejar tren, tim bertanya: Masalah apa yang sedang kita pecahkan, dan bagaimana kita membuktikannya?
Untuk menghindari gesekan penyesuaian ulang yang terus-menerus, MassMutual mengamanatkan bahwa “kesuksesan” harus ditentukan oleh mitra bisnis sebelum suatu alat mencapai produksi. Hal ini memastikan bahwa implementasi teknis selaras dengan kebutuhan departemen yang sebenarnya.
Membangun Fleksibilitas
Strategi utama MassMutual adalah menghindari “penguncian vendor”. Karena lanskap AI berubah begitu cepat, perusahaan mempertahankan lingkungan yang sangat heterogen. Mereka telah membangun lapisan layanan umum dan API yang berada di antara model AI dan sistem inti mereka (termasuk mainframe lama).
Arsitektur ini memungkinkan mereka menukar model “terbaik” dengan model yang lebih baru dan lebih baik tanpa membangun kembali seluruh infrastruktur dari awal.
Mass General Brigham: Memangkas “Seribu Bunga”
Sementara MassMutual fokus pada pengukuran yang ketat, Mass General Brigham (MGB) harus menjalani proses konsolidasi. Selama bertahun-tahun, 15.000 peneliti MGB memanfaatkan berbagai alat pembelajaran mesin, sehingga menghasilkan lanskap percontohan yang tidak dikelola dan terfragmentasi.
Beralih dari Sprawl ke Strategi
CTO Nallan “Sri” Sriraman menggambarkan pendekatan awal mereka sebagai metodologi “seribu bunga mekar”—yang pada dasarnya membiarkan semua orang bereksperimen dengan bebas. Namun, dia menyadari mereka tidak memiliki seribu bunga; mereka melakukan beberapa lusin upaya terputus yang tidak memiliki arah.
Untuk mengatasinya, MGB beralih ke strategi yang lebih terpusat:
– Memanfaatkan Platform yang Ada: Daripada membuat alat sendiri, MGB mulai memprioritaskan fitur AI yang sudah diluncurkan oleh vendor utama mereka (seperti Epic, Microsoft, dan ServiceNow).
– Penanaman Strategis: Daripada membiarkan siapa pun bereksperimen, mereka kini “menanam dan memelihara” inisiatif AI secara hati-hati dengan memasukkan pejuang AI ke dalam kelompok bisnis tertentu.
– Lingkungan Terkendali: Mereka menggunakan “zona pendaratan kecil” untuk menguji produk canggih dengan aman, sehingga memungkinkan pengujian terkontrol terhadap penggunaan token dan perilaku model.
Pagar Pembatas yang Tidak Dapat Dinegosiasikan
Dalam dunia kesehatan, risiko kesalahan AI sangat besar. MGB telah menerapkan protokol “human-in-the-loop” yang ketat. Misalnya, meskipun AI dapat membantu menghasilkan laporan radiologi, dokter harus selalu meninjau dan menandatangani keputusan akhir.
Selain itu, perlindungan teknis bersifat mutlak:
– Privasi Data: Aturan ketat mencegah Informasi Kesehatan yang Dilindungi (PHI) dimasukkan ke alat AI publik.
– The “Kill Switch”: Setiap sistem AI operasional harus memiliki “tombol merah besar” untuk segera mematikannya jika terjadi malfungsi.
– Kemampuan Observasi: Dasbor real-time memantau “penyimpangan model” (saat akurasi AI menurun seiring waktu) untuk memastikan keamanan dan keandalan.
Intinya
Transisi dari eksperimen AI ke produksi AI memerlukan perubahan pola pikir: beralih dari “bisakah kita melakukan ini?” hingga “bagaimana hal ini mendorong nilai, dan bagaimana kita mengaturnya?”
Baik melalui ketelitian ilmiah MassMutual atau konsolidasi disiplin MGB, pelajarannya jelas: AI perusahaan yang sukses bukanlah tentang jumlah uji coba yang Anda jalankan, namun disiplin yang Anda gunakan untuk menskalakannya.
